В этом посте кратко изложена статья «Сети поиска ключей и значений для диалога, ориентированного на задачу».
Ссылка на статью: http://www.aclweb.org/anthology/W17-5506
Михаил Эрик, Лакшми Кришнан, Франсуа Шаретт, Кристофер Д. Мэннинг, 2017 г., «Сети поиска ключей и значений для целенаправленного диалога», Материалы конференции SIGDIAL 2017, страницы 37–49.
В этой статье исследователи из Стэнфордской группы НЛП и Исследовательского и инновационного центра Форда пытаются решить эту проблему, предлагая новый нейронный диалоговый агент, способный эффективно поддерживать обоснованный многодоменный дискурс с помощью нового механизма поиска ключ-значение. Кроме того, они выпускают новый набор данных из 3031 диалога, охватывающих три различные задачи в пространстве персонального помощника в автомобиле: планирование календаря, поиск информации о погоде и навигация по интересующим точкам.
Их модель начинается с архитектуры последовательности кодер-декодер и дополнительно дополняется механизмом поиска на основе внимания, который эффективно анализирует представление ключ-значение базовой базы знаний. Данные для многооборотных диалогов собирались по схеме «Волшебник страны Оз». 241 уникальный работник из Amazon Mechanical Turk был анонимно нанят для использования интерфейса на основе этой схемы, которую они построили в течение примерно шести дней.
Чтобы сравнить свои методы, они используют модель, основанную на правилах, которая включает в себя модульные средства отслеживания состояния диалога, запросы базы знаний и компоненты генерации естественного языка, а также сеть последовательностей последовательностей, дополненную копированием, и ее вариант, в котором внимание кодировщика зависит исключительно от истории диалогов. для генерации ответа системы. Эксперименты показывают, что их модель превосходит конкурирующие эвристические и нейронные базовые показатели как по автоматическим, так и по человеческим показателям оценки.
